SoraStar

@aarontian 那就是我记错了，可以看一下我给别人的回复，确实是我的标题有问题，应该叫做 Agentic Coding 。

其实用什么模型完全得看你的 Coding 方式。

上文提到了几种 Coding 方式：

"Vibe 还是有很多程度上的区分的：

首先是原教旨 Vibe 。这类人坚定不移地走 Andrej Karpathy 的路线，坚持全程使用 AI 编程不动摇。这种人已经相当于机械飞升了，写出来的代码可以类比成 40K 世界里的人类之于现实人类——简单来说就已经不是人了。通常来说，这类人的能力上限极高，下限也极低。

上限极高的前提是成为掌管提示词工程的神、同时用 Harness Prompt 把 AI 调成星怒；下限就是那种说不清自己需求的人，典型案例就是告诉对方“我要五彩斑斓的黑”的甲方，产出来的全是类似于克苏鲁一样的不可名状的生物。

其次是把 AI 当成赛博义体来用的重度使用者，这群人中的强者不会完全用 AI 来写，而是自己先写好设计文档和架构文档。更有甚者还会实现好关键部分，其它全部用空壳函数占个位，然后再在旁边写好注释，AI 只用负责填空。这使得他们的活可以只用低参数 LLM 解决，这是其它几种都做不到的。而弱一点的虽然写得比 AI 还差，但至少 AI 会帮他们兜个底，他们的基本逻辑还是能跑通的。

最后是 AI 的轻度使用者，这种人偶尔用 AI 写个 MVP 最小化验证一下自己的思路，或者用 AI 改一下他们改不来的错。他们的大多数代码都是自己写的，所以有没有 AI 对他们影响不大。"

参考 B 站 UP 主 “图灵坐标” 的分类方式，我们把模型能力分为以下六种：编码能力、工具调用、指令遵循、长文本推理、学术认知边界（也就是世界知识）、事实可靠性。然后我在模型能力之外加上两种参考坐标：多模态能力、性价比、输出速度。

对于原教旨 Vibe 来说，他们对模型的某些能力要求极高，因为模型是主要的输出者，这要求模型有较强的编码能力、工具调用能力。而现阶段市面上 Claude 4.6 系列模型（ Opus 、Sonnet ）、GPT 5.5 都属于此列。

对于把 AI 当义体来用的人来说，AI 纯纯只是个填空工具，写出代码主要还是靠人。这要求模型有较强的编码能力，其次是指令遵循。而现阶段符合该条件的模型是 DeepSeek V4 Pro/Flash 、Qwen 3.7 Max 、GLM 5.1+ 以及前面两个提到的模型系列。这里推荐国模。因为你单纯拿来填空，给 A\ 和 CloseAI 交那么多钱多少有点不太合适。

然后还有一类人，是把 AI 用来重构的，这类人需要的是超强的长文本推理和编码能力。这里国模只有 GLM 5.2 和 Qwen 3.7 Max 比较适合这类工作。要想自己的项目不被修垮，只能硬着头皮选 Claude 和 GPT 了。

拿 AI 学知识的人需要的是工具调用能力（毕竟要 Web Search ）、世界知识、事实可靠性。Gemini 系列模型和 DeepSeek V4 Pro 最适合他们。记住，千万别去选 Gemini 3.5 Flash ，不然你真会变成哈基米，对着模型哈气的。

甚至有人拿 AI 辅助思考，我不会这么做，但我尊重理解祝福。这类人需要的是长文本推理、世界知识、事实可靠性强的模型。梁叔叔的 DeepSeek V4 Pro 和 Google 的 Gemini 3.1 Pro 是最适合的。

至于那些只是单纯拿 AI 当扳手，没有 AI 也能手拧螺母的狠人，模型能力强不强跟他们没啥关系。他们甚至拿个 MiniMax M2.5 （！？区区？！）都能做可行性验证。

然后是多模态能力，这个对于 Coding 来说只能作为加分项，不能作为决定项。但是对于日常使用还是挺有帮助的。

最后，不得不提一下为什么不选 MiniMax M3 和 MiMo 2.5 Pro 。因为输出速度实在太特喵的慢了！！！！人家拿着 DeepSeek V4 Flash 都 Debug 完几轮了你还在慢慢进行精雕细琢（点名 M3 ），有的甚至慢工出烂活（ MiMo ），真的让人绷不住。

不过，这里有个输出速度的极端：MiMo 2.5 Pro UltraSpeed 。没错，最快最慢都是小米！ 1000+ Token 每秒，大力出奇迹，写得烂没关系，你写一遍的时间我能写完一遍再 Debug 好几遍😋但是这玩意儿现在不在评价体系里面，因为几乎申请不到。

@unusualcat 我觉得我的追加内容对小白来说可能挺有价值的吧……佬觉得没价值可能纯粹就是境界太高了

其实用什么模型完全得看你的 Coding 方式。

可以看看我这篇，https://www.v2ex.com/t/1221657 ，里面提到了几种 Coding 方式：

"Vibe 还是有很多程度上的区分的：

首先是原教旨 Vibe 。这类人坚定不移地走 Andrej Karpathy 的路线，坚持全程使用 AI 编程不动摇。这种人已经相当于机械飞升了，写出来的代码可以类比成 40K 世界里的人类之于现实人类——简单来说就已经不是人了。通常来说，这类人的能力上限极高，下限也极低。

上限极高的前提是成为掌管提示词工程的神、同时用 Harness Prompt 把 AI 调成星怒；下限就是那种说不清自己需求的人，典型案例就是告诉对方“我要五彩斑斓的黑”的甲方，产出来的全是类似于克苏鲁一样的不可名状的生物。

其次是把 AI 当成赛博义体来用的重度使用者，这群人中的强者不会完全用 AI 来写，而是自己先写好设计文档和架构文档。更有甚者还会实现好关键部分，其它全部用空壳函数占个位，然后再在旁边写好注释，AI 只用负责填空。这使得他们的活可以只用低参数 LLM 解决，这是其它几种都做不到的。而弱一点的虽然写得比 AI 还差，但至少 AI 会帮他们兜个底，他们的基本逻辑还是能跑通的。

最后是 AI 的轻度使用者，这种人偶尔用 AI 写个 MVP 最小化验证一下自己的思路，或者用 AI 改一下他们改不来的错。他们的大多数代码都是自己写的，所以有没有 AI 对他们影响不大。"

---

参考 B 站 UP 主 “图灵坐标” 的分类方式，我们把模型能力分为以下六种：编码能力、工具调用、指令遵循、长文本推理、学术认知边界（也就是世界知识）、事实可靠性。然后我在模型能力之外加上两种参考坐标：多模态能力、性价比、输出速度。

对于原教旨 Vibe 来说，他们对模型的某些能力要求极高，因为模型是主要的输出者，这要求模型有较强的编码能力、工具调用能力。而现阶段市面上 Claude 4.6 系列模型（ Opus 、Sonnet ）、GPT 5.5 都属于此列。

对于把 AI 当义体来用的人来说，AI 纯纯只是个填空工具，写出代码主要还是靠人。这要求模型有较强的编码能力，其次是指令遵循。而现阶段符合该条件的模型是 DeepSeek V4 Pro/Flash 、Qwen 3.7 Max 、GLM 5.1+ 以及前面两个提到的模型系列。这里推荐国模。因为你单纯拿来填空，给 A\ 和 CloseAI 交那么多钱多少有点不太合适。

然后还有一类人，是把 AI 用来重构的，这类人需要的是超强的长文本推理和编码能力。这里国模只有 GLM 5.2 和 Qwen 3.7 Max 比较适合这类工作。要想自己的项目不被修垮，只能硬着头皮选 Claude 和 GPT 了。

拿 AI 学知识的人需要的是工具调用能力（毕竟要 Web Search ）、世界知识、事实可靠性。Gemini 系列模型和 DeepSeek V4 Pro 最适合他们。记住，千万别去选 Gemini 3.5 Flash ，不然你真会变成哈基米，对着模型哈气的。

甚至有人拿 AI 辅助思考，我不会这么做，但我尊重理解祝福。这类人需要的是长文本推理、世界知识、事实可靠性强的模型。梁叔叔的 DeepSeek V4 Pro 和 Google 的 Gemini 3.1 Pro 是最适合的。

至于那些只是单纯拿 AI 当扳手，没有 AI 也能手拧螺母的狠人，模型能力强不强跟他们没啥关系。他们甚至拿个 MiniMax M2.5 （！？区区？！）都能做可行性验证。

然后是多模态能力，这个对于 Coding 来说只能作为加分项，不能作为决定项。但是对于日常使用还是挺有帮助的。

最后，不得不提一下为什么不选 MiniMax M3 和 MiMo 2.5 Pro 。因为输出速度实在太特喵的慢了！！！！人家拿着 DeepSeek V4 Flash 都 Debug 完几轮了你还在慢慢进行精雕细琢（点名 M3 ），有的甚至慢工出烂活（ MiMo ），真的让人绷不住。

不过，这里有个输出速度的极端：MiMo 2.5 Pro UltraSpeed 。没错，最快最慢都是小米！ 1000+ Token 每秒，大力出奇迹，写得烂没关系，你写一遍的时间我能写完一遍再 Debug 好几遍😋但是这玩意儿现在不在评价体系里面，因为几乎申请不到。

@nc 老哥，你可以看看我给其他人的回复，我基本上还是挺赞同 AI 生成代码的（

刚才看到一个新问题，很感兴趣，就来顺手答一下： https://linux.do/t/topic/2443484

我们知道，模型决定智力，提示词决定输出方式和输出质量，那 Agent 决定了什么呢？

我们来打个比方吧，还是用上次那个做菜的比喻：

模型相当于可以不断产出食材的机器，提示词代表了你的做菜经验，咱有了这俩样玩意儿，是不是感觉缺了什么？

没错，Agent 就是厨房和厨具。它作为一个摆满了厨具的厨房，给了你一个可以用厨具自由发挥你的做菜经验的场地。只不过对于 Agentic Coding 而言，使用厨具是无感的、自动化的。而且它还会自动优化你的做菜体验，相当于智能厨房。

对应到现实，Agent 提供了一个可以使用提示词与模型交互获得输出的环境。

它会在你和模型交互中自动优化这个过程。比如优化你的上下文结构进行 KV Cache 命中优化、压缩你的上下文、让模型能更方便读取 Skills 和 MCPs 来优化自己的输出。

亦或者是给你提供一些自动化工具。比如使用 Loop （ Claude Code 里叫做 /goal ）来进行大模型循环，让模型直到达到目标才停止。

最后就是给了模型自动化读取外界信息的能力，这样你就不用自己去获取外界信息来输入给 LLM 了，而是模型会自己去找。

总之就是这样。

刚才看到一个新问题，很感兴趣，就来顺手答一下：[请问在模型 API +提示词一样的前提下，Agent 的作用有多大呢？]( https://linux.do/t/topic/2443484)

我们知道，模型决定智力，提示词决定输出方式和输出质量，那 Agent 决定了什么呢？

我们来打个比方吧，还是用上次那个做菜的比喻：

模型相当于可以不断产出食材的机器，提示词代表了你的做菜经验，咱有了这俩样玩意儿，是不是感觉缺了什么？

没错，Agent 就是厨房和厨具。它作为一个摆满了厨具的厨房，给了你一个可以用厨具自由发挥你的做菜经验的场地。只不过对于 Agentic Coding 而言，使用厨具是无感的、自动化的。而且它还会自动优化你的做菜体验，相当于智能厨房。

对应到现实，Agent 提供了一个可以使用提示词与模型交互获得输出的环境。

它会在你和模型交互中自动优化这个过程。比如优化你的上下文结构进行 KV Cache 命中优化、压缩你的上下文、让模型能更方便读取 Skills 和 MCPs 来优化自己的输出。

亦或者是给你提供一些自动化工具。比如使用 Loop （ Claude Code 里叫做 /goal ）来进行大模型循环，让模型直到达到目标才停止。

最后就是给了模型自动化读取外界信息的能力，这样你就不用自己去获取外界信息来输入给 LLM 了，而是模型会自己去找。

总之就是这样。

@kloudmuka 更新了，老哥可以看一下喵

@kloudmuka 实在不好意思，但是别急嘛，我还没更新到那部分呢，大概过个十几分钟就能发了